排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果筛选出潜在优质的用电客户,对其负荷行为模式进行动态跟踪分析(这里所说的"动态"是指相邻时间段内不同负荷状态的转换模式,综合考虑状态特征和时域特征的变化),以找出用电行为异常、或存在负荷结构变化的客户,增强对电网系统的动态感知能力,降低潜在风险。该算法最大程度地避免了人为主观性经验的参与调整参数,采用这种无监督机器学习技术能极大程度地提高整体分析效率;属于自下而上的数据驱动感知用户侧精细行为模式,将能大面积快速感知到诸多潜在风险模式和异常行为模式。 相似文献
2.
文章对稀疏矩阵规则网格方法的原理进行了分析,并将该方法应用于三维随机分布的介质球的电磁散射特性。在远区散射场中,稀疏矩阵规则网格方法的计算结果与满阵矩量法的计算结果非常一致,表明稀疏矩阵规则网格方法是分析随机分布多目标电磁散射问题的一种非常有效的数值方法。还将广义积型双共轭梯度方法（GPBi-CG）应用于三维稀疏矩阵规则网格方法分析随机分布的介质球的散射问题,数值表明取得了很好的改善效果。 相似文献
1